超越Sora！AI视频模型StreamingT2V可生成120秒超长视频

近日，UT奥斯丁等机构提出的StreamingT2V技术引发了广泛关注，将AI视频生成推向了新的高度。这项技术突破了以往视频长度的限制，实现了生成高度一致且长度可扩展的视频。

StreamingT2V技术的核心构架包括条件注意力模块(CAM)和外观保持模块(APM)。CAM利用短期记忆单元确保视频连续性，而APM作为长期记忆单元保持视频中对象或场景的一致性。这两个模块的结合，使得生成的视频不仅动态连贯，而且视觉效果高质量。在测试中，研究人员用Streaming T2V生成1200帧，长达2分钟的视频。

具体实现方法分为三个阶段:初始化、Streaming T2V生成和Streaming Refinement。在初始化阶段，利用文本到视频模型创造视频的前16帧;接着进入Streaming T2V阶段，通过自回归技术生成后续帧，保证视频内容连贯性;最后，在Streaming Refinement阶段对生成的视频进行优化，提高画质和动态效果。

特色亮点包括：

• 从文本描述生成2分钟的视频

• 创建具有复杂动态运动的视频

• 确保长视频中的时间一致性

该技术的出现标志着AI视频生成的新突破，不仅可以生成1200帧甚至无限长的视频，而且内容过渡自然平滑，丰富多样。与此同时，StreamingT2V技术的不断完善和提升也将进一步推动AI视频生成领域的发展，为视频内容创作提供更多可能性。

项目入口：https://github.com/Picsart-AI-Research/StreamingT2V

论文地址:https://arxiv.org/abs/2403.14773